这项由微软研究院和威斯康星大学麦迪逊分校的研究团队在2025年8月完成的研究，发表在arXiv预印本平台上（论文编号：arXiv:2508.09726v1），为我们揭示了一个颠覆直觉的发现：让AI模型在训练时多思考，反而能让它在实际应用时少废话、更高效。有兴趣深入了解的读者可以通过arXiv平台搜索该论文编号获取完整研究内容。

研究团队由微软研究院的多位科学家组成，包括Vaishnavi Shrivastavam、Ahmed Awadallah、Vidhisha Balachandran等人，以及威斯康星大学麦迪逊分校的Dimitris Papailiopoulos教授。他们发现了现有AI推理模型的一个重大问题：这些模型虽然能解决复杂问题，但经常产生冗长啰嗦的回答，就像一个喋喋不休的学生，明明三句话能说清楚的事情非要绕十个弯。

现有的AI推理模型就像一个过度勤奋的学生。当它们接受强化学习训练时，为了获得更高的准确率，会不断增加回答的长度。这种现象被称为"长度膨胀"，就好比学生为了显示自己的学问，在考试时明明一句话能回答的问题，却写了满满一页纸，其中大部分内容都是重复啰嗦，毫无实际价值。更令人担忧的是，研究发现在72%的数学题中，当同一个问题有对错两种回答时，错误的回答往往比正确的回答更长，这说明冗长并不等于准确。

一、训练时多费力，推理时更高效的新思路

研究团队提出了一种名为GFPO（Group Filtered Policy Optimization，群组过滤策略优化）的新方法。这个方法的核心思想非常巧妙：在训练阶段让AI模型生成更多的回答候选，然后从中挑选出最好的那些进行学习，就像一个严格的老师从学生的多份作业中只选择优秀作业进行表扬和推广。

具体来说，传统方法就像让AI写8份作业，然后对所有作业都给予反馈。而GFPO则让AI写16份甚至24份作业，但只挑选其中最短、最高效的8份进行学习。这样做的结果是，AI学会了如何用更少的话说更准确的内容，就像学会了"言简意赅"这个成语的真谛。

这种方法实现了一个绝妙的交换：用训练时的额外计算成本，换取推理时的效率提升。训练是一次性投入，就像建房子时多花点心思设计，而推理时的效率提升则是长期收益，就像住进设计良好的房子后每天都能享受舒适便利。

二、三种优化策略各显神通

研究团队设计了三种不同的GFPO变体，每种都有其独特的优势，就像三个不同性格的老师，各有各的教学风格。

第一种是"最短优先"策略。这就像一个追求简洁的语文老师，专门挑选最短的正确答案进行学习。实验显示，当从16个候选答案中选择最短的8个进行训练时，能够将回答长度减少23.8%到71%，同时保持相同的准确率。这种方法特别适合那些本身就能产生正确答案、只是表达过于冗长的场景。

第二种是"令牌效率"策略，这个方法更加聪明。它不是简单地选择最短答案，而是选择"性价比"最高的答案——也就是每个字都物有所值的回答。就像精明的购物者不只看商品价格，而要看性价比一样。这种方法计算每个回答的准确性与长度的比值，优先选择那些用较少篇幅就能达到高准确性的回答进行学习。结果显示，这种方法能够实现70.9%到84.6%的长度减少，是三种方法中效果最显著的。

第三种是"自适应难度"策略，这是最具创新性的方法。它能够根据问题的难度动态调整学习策略，就像一个经验丰富的老师，对不同难度的问题采用不同的教学方法。对于简单问题，它会选择非常短的答案进行学习，强迫AI学会用最少的话解决简单问题。对于困难问题，它允许稍长一些的答案，因为复杂问题确实需要更多的推理步骤。这种方法通过实时评估问题难度，为每个问题分配不同数量的候选答案进行学习，实现了学习资源的精准分配。

三、实验验证：数据会说话

研究团队在多个具有挑战性的数学和编程基准测试上验证了GFPO方法的效果，这些测试就像AI界的高考，包括AIME数学竞赛、GPQA科学问答、Omni-MATH综合数学测试等。实验使用的是Phi-4-reasoning模型，这是微软开发的一个14亿参数的大型语言模型，专门针对数学推理进行了优化。

实验结果令人印象深刻。在AIME 2025数学竞赛测试中，传统的GRPO方法将AI回答的平均长度从最初的10.9k令牌（约相当于几千个汉字）膨胀到了14.8k令牌，增长了约36%。而GFPO的各种变体不仅遏制了这种长度膨胀，还大幅缩短了回答长度。最短优先策略将长度减少到13.9k令牌，令牌效率策略更是将长度降至12k令牌，相比传统方法减少了约19%。

更重要的是，这些长度的大幅减少并没有以牺牲准确性为代价。统计分析表明，GFPO各个变体与传统GRPO方法在准确性上没有显著差异，有时甚至略有提升。这就像一个学生学会了写简洁明了的作文，不仅减少了废话，还提高了表达质量。

在编程基准测试LiveCodeBench上，GFPO展现出了出色的泛化能力。值得注意的是，AI模型在训练时并没有接触过编程任务，但GFPO仍然能够显著减少代码回答的长度膨胀。传统GRPO方法将代码回答从10.3k令牌增加到13.9k令牌，而且准确率还略有下降。相比之下，GFPO不仅控制了长度增长，还在某些情况下提高了编程准确率，展现了方法的通用性和鲁棒性。

四、深入分析：为什么更短的回答反而更好

研究团队进行了深入的分析，试图理解为什么更短的AI回答往往更准确。他们发现，即使在问题难度相同的情况下，更长的回答确实更容易出错，这颠覆了"更长意味着更仔细思考"的直觉。

通过对AI回答内容的详细分析，研究人员发现长度膨胀主要发生在推理过程的"解决方案"和"验证"阶段。传统方法训练出的AI就像一个过度焦虑的学生，会反复验证同一个计算结果，或者尝试多种可能错误的解题路径。例如，在一道几何题中，GRPO训练的模型会反复计算三角形面积达6次，每次都得到相同结果，而GFPO训练的模型只计算一次就给出答案。

这种现象的根本原因在于，传统强化学习方法虽然会惩罚长的错误回答，但也会奖励长的正确回答。当AI模型本身就倾向于生成冗长回答时，这种奖励机制会进一步加剧长度膨胀。GFPO通过明确选择简洁正确的回答进行学习，直接切断了这种恶性循环。

研究还发现，GFPO特别善于处理不同难度的问题。对于简单问题，令牌效率策略能够产生比原始模型更短的回答，同时保持甚至提高准确性，实现了真正的"言简意赅"。对于困难问题，自适应难度策略通过保留更多学习样本，确保AI模型有足够的学习机会掌握复杂推理，避免了过度简化导致的准确性下降。

五、技术创新的深层意义

GFPO方法的创新不仅仅在于技术实现，更在于它揭示了AI训练的一个重要原理：通过在训练时投入更多计算资源来获取更好的候选答案，可以显著提高模型在实际应用时的效率。这种"训练时多花钱，推理时更省钱"的思路在AI产业化应用中具有重要价值。

在实际应用场景中，AI模型的推理效率直接关系到服务成本和用户体验。一个能够用更少字数给出准确答案的AI模型，不仅能降低计算成本，还能提供更好的用户体验。用户更愿意看到简洁明了的答案，而不是冗长啰嗦的回应。

GFPO方法还展现了出色的通用性。它不需要修改模型架构或损失函数，只需要改变训练样本的选择策略，就能实现显著的效果提升。这意味着该方法可以很容易地应用到其他AI模型和任务中，具有广泛的适用性。

研究团队还提出了一个有趣的观点：AI的"思考质量"比"思考数量"更重要。传统观点认为，让AI生成更长的推理链条就能得到更好的结果，但这项研究表明，关键在于推理的质量而非数量。通过精心选择高质量的推理样本进行学习，AI能够学会更高效的思考方式。

六、未来应用前景与思考

GFPO方法的成功为AI推理模型的发展指明了新方向。在当前AI模型越来越大、计算成本越来越高的背景下，如何提高模型效率成为了关键挑战。GFPO提供了一个优雅的解决方案：不是让模型变得更大更复杂，而是让它变得更智能更高效。

这种方法对AI行业的影响可能是深远的。对于AI服务提供商来说，更高效的模型意味着更低的运营成本和更好的用户体验。对于普通用户来说，这意味着能够获得更快、更准确的AI服务。在教育领域，这样的AI助手能够提供简洁明了的解释，而不是让学生淹没在冗长的回答中。在客服领域，AI能够快速准确地解决用户问题，提高服务质量。

研究还暗示了AI训练范式的潜在变革。传统的强化学习主要关注于准确性优化，而忽略了效率考虑。GFPO方法展示了如何在保持准确性的同时优化效率，这为多目标优化的AI训练开辟了新思路。未来的AI模型可能不仅要准确，还要高效、简洁、易懂。

当然，这项研究也提出了一些有待进一步探索的问题。比如，如何在更广泛的任务类型中应用这种方法？如何自动识别哪些任务适合使用简洁策略，哪些任务需要详细推理？如何平衡不同用户对回答详略程度的不同需求？这些问题的答案将进一步完善这一方法的实用性。

从更宏观的角度来看，GFPO方法体现了AI发展的一个重要趋势：从单纯追求性能最大化转向追求性能与效率的最优平衡。这种理念不仅适用于AI技术本身，也为人类思考和表达提供了启示。在信息爆炸的时代，简洁有效的沟通变得越来越重要，而AI可能正在学习这种人类智慧的精髓。

说到底，这项研究告诉我们一个朴素而深刻的道理：有时候，少即是多。通过让AI学会"言简意赅"，我们不仅提高了技术效率，也让AI变得更像一个善于表达的智者，能够用最少的话传达最准确的信息。这种进步不仅是技术上的突破，也是AI向更高层次智能迈进的重要一步。对于那些希望深入了解技术细节的读者，可以通过arXiv平台查阅这篇编号为2508.09726v1的完整论文，其中包含了详尽的实验数据和技术实现细节。

Q&A

Q1：GFPO是什么？它如何让AI回答变得更简洁？

A：GFPO是微软研究团队开发的群组过滤策略优化方法。它的工作原理是让AI在训练时生成更多候选答案（比如16个），然后只选择其中最短或最高效的答案（比如8个）进行学习。这样AI就学会了用更少的话说更准确的内容，避免了冗长啰嗦的回答。

Q2：GFPO方法会不会影响AI回答的准确性？

A：不会。研究显示GFPO在大幅减少回答长度的同时，完全保持了原有的准确性。在某些情况下准确性甚至略有提升。这是因为更简洁的回答往往意味着更清晰的逻辑，避免了冗长推理中可能出现的错误。

Q3：这项技术什么时候能在日常AI应用中使用？

A：GFPO是一种训练方法的改进，理论上可以应用到任何需要推理的AI模型中。由于它不需要改变模型结构，只需修改训练策略，因此技术门槛相对较低。不过从研究到实际产品应用还需要时间，预计未来1-2年内可能会在一些AI服务中见到类似技术的应用。

摩根大通预计第三季度投行业务收入将实现低两位数增长　　摩根大通（JPMorganChase）投行业务联合首席执行官道格・佩特诺（DougPetno）表示，今年第三季度该行投行业务收入将实现低两位数增长。佩特诺还在周二的一场投资者会议上透露，第三季度市场业务收入增幅将达到高teens（15%-19%）水平